Extração de Características de Imagens Mamográficas Baseada em Técnicas de Aprendizado Profundo

• Ariadne N. Matos UESC
• Paulo E. Ambrósio UESC

DOI: https://doi.org/10.5753/sbcas_estendido.2022.222423

Resumo

Apesar dos constantes avanços no combate ao câncer de mama, ainda é uma das principais causas no óbito de mulheres. A partir do avanço tecnológico, as técnicas de deep learning podem auxiliar na detecção e classificação dos nódulos, o que contribui com o diagnóstico. Apresentamos, neste artigo a proposta e a construção uma rede neural convolucional juntamente com técnicas de regularização denominada MiDNet para extração de características de imagens mamográficas. O modelo foi validado com o conjunto de dados da base CBIS DDSM e Mini DDSM, obtendo índices de acurácia com 98 por cento para diferenciação de massas e 74 por cento para classificação de imagens em benignas ou malignas.

Referências

Chollet, F. (2017). Deep Learning with Python. Manning Publications Company.

Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press. http://www.deeplearningbook.org.

Krizhevsky, A., Sutskever, I., and Hinton, G. (2012). Imagenet classification with deep convolutional neural networks. Neural Information Processing Systems, 25.

LECUN, Y.; BENGIO, Y. (2003). The Handbook of Brain Theory and Neural Networks. Press.

Martins, R.A.P.;Silva, D. (2020). Aplicação de redes convolucionais profundas para detecção de massas em mamografias.

Vieira, S. (2012). Oncologia básica. Teresina, 1 edition.

Yu, X., Kang, C., Guttery, D. S., Kadry, S., Chen, Y., and Zhang, Y.-D. (2020). Resnetscda-50 for breast abnormality classification. IEEE/ACM transactions on computational biology and bioinformatics, 18(1):94–102.

Zhou, H., Zaninovich, Y., and Gregory, C. (2017). Mammogram classification using convolutional neural networks. In International conference on technology trends, volume 2.